ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ ПРИ НАВИГАЦИИ МОБИЛЬНЫХ РОБОТОВ
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Аннотация
Предложен новый алгоритм машинного обучения для навигации мобильных роботов, основанный на комбинации методов Deep-Q-Learning и Double Q-Learning. Предложенная модель рассматривается при перемещении робота в некоторой среде (среда задается программным пакетом Gazebo) и известном его местоположении с учетом огибания встречающихся на пути препятствий. В качестве программного обеспечения используются Mobile Robotics Simulation Toolbox и Gazebo. При тестировании показано, что новый алгоритм более чем в десять раз улучшает временные параметры выполнения задачи по сравнению с традиционными алгоритмами. Представленный алгоритм может быть интегрирован в аппаратуру.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Назарова, А. В. Методы и алгоритмы мультиагентного управления робототехнической системой / А. В. Назарова,
Т. П. Ригова // Вестн. МГТУ им. Н. Э. Баумана. Сер. Приборостроение. – 2012. – С. 93–105.
Ростовцев, П. С. Обучение роботизированных систем с помощью нейронных сетей / П. С. Ростовцев, Д. Н. Васильев, М. И. Озерова // Россия молодая: передовые технологии в промышленности. – 2017. – № 2. – С. 123–125.
Neural Network-Based Learning from Demonstration of an Autonomous Ground Robot / Y. Fu, [et al.] // Machines. –2019. – V. 7, № 2. – DOI: https://doi.org/10.3390/machines7020024.
Thanh, T. Deep Reinforcement Learning for Multiagent Systems: A Review of challenges, Solution and Applications / T. Thanh, N. Nguyen, S. // IEEE Transactions on Cybernetics. – Vol. 50, no. 9. – P. 3826–3839, 2020. – DOI: 10.1109/TCYB.2020.2977374.
Описание пакета ROS Toolbox {Электронный ресурс]. – Режим доступа: https://www.mathworks.com/matlabcentral/fileexchange/66586-mobile-robotics-simulation-toolbox. – Дата доступа: 23.11.2020.